声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2187/TH
国际刊号：0577-6686
发布日期:
作者：王庆锋, 刘家赫, 卫炳坤, 张程
单位：北京化工大学高端机械装备健康监控及自愈化北京市重点实验室 北京 100029
关键词：数据驱动,聚类分析,故障识别,自愈调控,故障特征参数；
基金：国家自然科学基金（51775029）、中国石化“石化装置关键机组远程诊断故障智能预警技术研究”（CHG18064）和中央高校基本科研业务费（PYBZ1813）资助项目。
设备故障预测与健康管理已经进入了智能化时代，从设备状态监测数据中分析、提取故障特征信息，实现故障自动识别与分类是实现故障自愈调控的前提。以离心压缩机为研究对象，基于K-means聚类分析和数据驱动方法，构建K-means聚类故障模式识别模型，筛选故障识别灵敏度高的故障特征参数作为模型输入参数，基于监测数据训练得到不同故障的聚类中心，探索数据驱动的基于聚类中心距离判据的离心压缩机故障识别方法。应用中石油某公司离心压缩机正常和喘振、碰摩、不对中故障案例数据进行模型验证，结果表明：监测数据驱动的聚类分析故障识别方法能够实现离心压缩机多故障模式自动识别；与支持向量机故障识别方法相比，K-means聚类分析故障识别模型准确性更高；数据驱动方法计算实时监测数据聚类中心，利用直观距离判据实现故障模式自动识别，能够实现故障诊断和智能决策实现，为开展自愈调控提供技术支撑。
来源：2020年第18期
《机械工程学报》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。